МОСКОПТ: коллективное оптимизация для агентов ЛЛМ
arXiv: 2609.14399v1 Annuature Type: cross Brieft: Natural Language expositions and sciences служат стратегической основой для агентов на базе ЛМ. Последние достижения в области оперативной оптимизации и повышения квалификации позволили добиться заметных успехов, однако все существующие методы оптимизируют формат текстовых шаблонов, что не позволяет обеспечить синергизм между многочисленными взаимодополняющими стратегиями. Мы предлагаем MOSCOPT, текстовый алгоритм без параметров, который совместно оптимисфицирует набор навыков в размере $N$ и навыки катания $G$, которые динамически выбирают навыки $K$ на шаг. Чтобы эффективно оптимизировать навыки, мы строим ЭдитАдам с внутриконтинентальными двойными состояниями. Через трехфазные взаимоувязанные обновления с ЭдитАдамом, система монотонно совершенствуется без градиента или настройки параметров. Широкие эксперименты и детальные абляции по пяти контрольным показателям и трем целевым МЛМ показывают, что MOSCOPT последовательно опережает все исходные уровни, и подтверждают, что как структура сочетания навыков с избирательной активацией, так и коллективный эволь